本发明涉及智能家居技术领域，尤其涉及一种运行模式控制方法及装置。
背景技术：
人体对于空气湿度有一定要求，对人体比较适宜的相对湿度为：夏季室温20摄氏度时，相对湿度控制在40％-50％比较舒服，冬季室温18摄氏度时，相对湿度应控制在60％-70％。当人们长时间使用空调制热或制冷，或者在冬天使用暖气取暖时，室内空气将变得干燥，以至于达不到人体所需的舒适的湿度环境。在这种情况下，人们常常采用加湿电器对空气进行加湿，但是现有的加湿电器需要用户手动控制，而用户并不能准确判断加湿电器的运行模式是否为当前最佳，使得加湿电器达不到好的加湿效果，同时对用户来说也不够便利。
技术实现要素：
由于现有技术中需要用户手动控制加湿电器的运行模式，使得加湿电器达不到好的加湿效果，同时不够便利的问题，本发明实施例提供了一种运行模式控制方法及装置。
第一方面，本发明实施例提供了一种运行模式控制方法，该方法包括：
获取待控制设备当前所处环境的环境参数；
根据所述环境参数和运行模式预测模型确定所述待控制设备的运行模式，所述运行模式预测模型是根据所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数确定的；
控制所述待控制设备切换至所述运行模式。
可选地，所述控制所述待控制设备切换至所述运行模式之后，还包括：
接收用户终端发送的运行模式反馈信息；
根据所述运行模式反馈信息调整所述待控制设备当前的运行模式。
可选地，所述运行模式反馈信息包括用户选择的运行模式；
所述根据所述运行模式反馈信息调整所述待控制设备当前的运行模式，包括：
在确定所述待控制设备当前的运行模式与所述用户选择的运行模式不一致时，将所述待测设备当前的运行模式切换至所述用户选择的运行模式。
可选地，还包括：
在确定根据所述运行模式反馈信息调整所述待控制设备当前的运行模式的次数大于预设阈值时，根据所述运行模式反馈信息调整所述运行模式预测模型。
可选地，所述运行模式预测模型是根据所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数确定的，包括：
获取所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数；
以所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数为训练样本对神经网络模型进行训练；
当所述神经网络模型的损失函数取最小值时，将所述神经网络模型确定为所述运行模式预测模型。
第二方面，本发明实施例提供了一种运行模式控制装置，包括：
获取模块，用于获取待控制设备当前所处环境的环境参数；
处理模块，用于根据所述环境参数和运行模式预测模型确定所述待控制设备的运行模式，所述运行模式预测模型是根据所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数确定的；
控制模块，用于控制所述待控制设备切换至所述运行模式。
可选地，还包括调整模块；
所述调整模块用于在所述控制模块控制所述待控制设备切换至所述运行模式之后，接收用户终端发送的运行模式反馈信息；
根据所述运行模式反馈信息调整所述待控制设备当前的运行模式。
可选地，所述运行模式反馈信息包括用户选择的运行模式；
所述调整模块具体用于：
在确定所述待控制设备当前的运行模式与所述用户选择的运行模式不一致时，将所述待测设备当前的运行模式切换至所述用户选择的运行模式。
可选地，所述调整模块还用于：
在确定根据所述运行模式反馈信息调整所述待控制设备当前的运行模式的次数大于预设阈值时，根据所述运行模式反馈信息调整所述运行模式预测模型。
可选地，所述处理模块具体用于：
获取所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数；
以所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数为训练样本对神经网络模型进行训练；
当所述神经网络模型的损失函数取最小值时，将所述神经网络模型确定为所述运行模式预测模型。
第三方面，本发明实施例提供了一种智能家居控制设备，包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述程序被所述处理单元执行时，使得所述处理单元执行上述任一所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读介质，其存储有可由智能家居控制设备执行的计算机程序，当所述程序在智能家居控制设备上运行时，使得所述智能家居控制设备执行上述任一所述方法的步骤。
本发明实施例中，由于预先根据待控制设备的历史运行模式以及历史运行模式对应的环境参数确定了运行模式预测模型，故在实时采集了待控制设备当前所处环境的环境参数后，可直接采用运行模式预测模型结合环境参数预测待控制设备的运行模式，然后进一步调整待控制设备的运行模式，实现了对待控制设备的运行模式的自动化调节，而不要用户手动控制，从而给用户带来便利和好的体验。其次，由于运行模式预测模型根据环境参数确定当前最适宜的运行模式，故能有效提高待控制设备的运行效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例适用的一种系统架构图；
图2为本发明实施例提供的一种运行模式控制方法的流程示意图；
图3为本发明实施例提供的确定运行模式预测模型的方法的流程示意图；
图4为本发明实施例提供的一种运行模式控制方法的流程示意图；
图5为本发明实施例提供的一种运行模式控制方法的流程示意图；
图6为本发明实施例提供的一种运行模式控制装置的结构示意图；
图7为本发明实施例提供的一种智能家居控制设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例中的运行模式控制方法适用于对各类家用设备进行运行模式控制，比如加湿器、空调、冰箱等等。
本发明实施例中的运行模式控制方法可以应用于图1所示的系统架构，在该系统架构中包括待控制设备101、服务器102以及终端设备103。
待控制设备101可以是各类家用设备，比如加湿器、空调、冰箱等等。待控制设备101中包含数据采集部件，用于采集待控制设备所处环境的环境参数。比如温度传感器，用于采集所处环境的温度；又比如湿度传感器，用于采集所处环境的湿度。待控制设备101采集所处环境的环境参数后，将环境参数上传至服务器102。待控制设备101通过有线或无线的方式与服务器102连接，服务器102是一台服务器或若干台服务器组成的服务器集群或云计算中心。服务器102可以是待控制设备的远程控制服务器，也可以是位于室内的智能家居服务器。服务器102中包括运行模式控制装置，该装置采用运行模式预测模型以及待控制设备101上传的环境参数确定待控制设备101的运行模式，并控制待控制设备101切换运行模式。终端设备103是具备网络通信能力的电子设备，该电子设备可以是智能手机、平板电脑、遥控器等等。用户可以通过终端103监控待控制设备101的运行模式，或者切换待控制设备101的运行模式。
基于图1所示的系统架构图，本发明实施例提供了一种运行模式控制方法的流程，该方法的流程可以由运行模式控制装置执行，如图2所示，包括以下步骤：
步骤s201，获取待控制设备当前所处环境的环境参数。
待控制设备可以是各类家用设备，比如加湿器、空调、冰箱等等。
环境参数包括但不限于温度、湿度、风向、风速。待控制设备通过内部的传感器采集环境参数，比如，通过温度传感器采集周围环境的温度，通过湿度传感器采集周围环境的湿度。可选地，待控制设备可以周期性采集环境参数，比如每个30秒采集一次环境参数。待控制设备也可以在每天的特定时刻采集环境参数，比如每天6点、9点采集环境参数。待控制设备采集所处环境的环境参数并上传至运行模式控制装置。
为了避免运行模式控制装置只获取到局部环境的环境参数，导致根据环境参数确定运行模式不够准确的问题，运行模式控制装置可以同时获取室内其它位置的设备采集的环境参数，然后结合待控制设备上传的环境参数和其它位置的设备上传的环境参数确定整体环境的环境参数。
示例性地，设定待控制设备为加湿器，加湿器中的温度传感器和湿度传感去采集所处环境的温度和湿度上传至运行模式控制装置，运行模式控制装置可以同时获取室内空调采集的所处环境的温度和温度，然后结合加湿器上传的温度和湿度以及空调上传的温度和湿度确定室内整体的温度和湿度。
步骤s202，根据环境参数和运行模式预测模型确定待控制设备的运行模式，运行模式预测模型是根据待控制设备的历史运行模式以及待控制设备的历史运行模式对应的环境参数确定的。
不同的待控制设备包含不同的运行模式。示例性地，设定待控制设备为加湿器，则加湿器的运行模式可以包括：湿度80％模式、湿度60％模式、湿度40％模式、睡眠模式等等。
示例性地，设定待控制设备为空调，则空调的运行模式可以包括：超强风模式、睡眠模式、设定温度模式、上下扫风模式、左右扫风模式、定时模式等等。
步骤s203，控制待控制设备切换至运行模式。
当确定待控制设备当前的运行模式与运行模式控制装置确定的运行模式不一致时，控制待控制设备切换至运行模式控制装置确定的运行模式。
示例性地，设定待控制设备为加湿器，加湿器当前的运行模式为湿度60％模式，运行模式控制装置根据加湿器上传的当前所处环境的温度和湿度确定出加湿器的运行模式为湿度40％模式才是让用户感觉舒适的湿度，则运行模式控制装置发送切换指令至加湿器，以使加湿器从湿度60％模式切换至湿度40％模式。
由于预先根据待控制设备的历史运行模式以及历史运行模式对应的环境参数确定了运行模式预测模型，故在实时采集了待控制设备当前所处环境的环境参数后，可直接采用运行模式预测模型结合环境参数预测待控制设备的运行模式，然后进一步调整待控制设备的运行模式，实现了对待控制设备的运行模式的自动化调节，而不要用户手动控制，从而给用户带来便利和好的体验。其次，由于运行模式预测模型根据环境参数确定当前最适宜用户的运行模式，故能有效提高待控制设备的运行效果，提升了用户体验。
可选地，在上述步骤s202中，根据待控制设备的历史运行模式以及待控制设备的历史运行模式对应的环境参数确定运行模式预测模型具体包括以下步骤，如图3所示：
步骤s301，获取待控制设备的历史运行模式以及待控制设备的历史运行模式对应的环境参数。
待控制设备的历史运行模式以及待控制设备的历史运行模式对应的环境参数可以是待控制设备在模拟环境下的使用情况得到的；也可以是在真实环境下的使用情况得到的。
示例性地，设定待控制设备为加湿器，在加湿器出厂前，模拟加湿器的使用环境对加湿器的性能进行测试，得到加湿器在模拟环境下的运行模式。将加湿器在模拟环境的运行模式以及环境参数作为加湿器的历史运行模式以及在历史运行模式对应的环境参数。
示例性地，设定待控制设备为加湿器，当用户在购买加湿器后，采集加湿器在真实环境下的运行数据，比如加湿器的运行模式以及在该运行模式下的温度、湿度。经过设定时间运转后，将采集的加湿器在真实环境下的运行数据作为历史运行模式以及在历史运行模式对应的环境参数。
获取待控制设备的历史运行模式以及待控制设备的历史运行模式对应的环境参数之后，需要对待控制设备的历史运行模式以及历史运行模式的对应的运行参数进行归一化、数据异常等处理，排除异常干扰和数据单位不相同等因素造成的干扰。
步骤s302，以待控制设备的历史运行模式以及待控制设备的历史运行模式对应的环境参数为训练样本对神经网络模型进行训练。
步骤s303，当神经网络模型的损失函数取最小值时，将神经网络模型确定为运行模式预测模型。
神经网络(neuralnetworks，nn)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学习系统。神经网络结构可以是采用bp(backpropagation)神经网络、人工神经网络(artificialneuralnetwork，简称ann)、卷积神经网络(convolutionalneuralnetwork，简称cnn)、循环神经网络(recurrentneuralnetwork，简称rnn)等等。
由于采用待控制设备的历史运行模式以及历史环境参数对神经网络模型进行训练，确定运行模式预测模型，故运行模式预测模型学习了待控制设备的运行模式与环境参数之间的对应关系，将待控制设备当前所处环境的环境参数输入运行模式预测模型时，运行模式预测模型能根据运行模式与环境参数之间的对应关系确定当前适合的运行模式，而不需要用户主观判断，提高了设备运行模式的控制精度。
可选地，运行模式控制装置控制待控制设备切换运行模式后，若接收用户终端发送的运行模式反馈信息，则根据运行模式反馈信息调整待控制设备当前的运行模式。
具体地，用户可以通过智能手机上的app发送运行模式反馈信息至运行模式控制装置，也可以通过遥控器发送运行模式反馈信息至运行模式控制装置。
在一种可能的实施方式中，运行模式反馈信息包括用户选择的运行模式，运行模式控制装置在确定待控制设备当前的运行模式与用户选择的运行模式不一致时，将待测设备当前的运行模式切换至用户选择的运行模式。
示例性地，用户在加湿器的遥控器上选择湿度60％模式，遥控器发送控制指令至运行模式控制装置。若运行模式控制装置确定加湿器当前的运行模式为湿度80％模式，则将加湿器从湿度80％模式切换至湿度60％模式。由于不同的用户有不同生活习惯，用户在一些特定的情况下也会有特定的要求，故运行模式预测模型有时预测的运行模式与用户当前需要的运行模式不一致，此时将待控制设备切换至用户选择的用户模式，从而满足用户特定的需求，提高用户体验。
在另一种的可能的实施方式中，运行模式反馈信息是用户反馈的对当前待控制设备的运行模式的满意程度，然后结合用户满意程度对待控制设备当前的运行模式进行调整。示例性地，在用户终端上的app中显示用户反馈对话框，反馈对话框中列出用户对当前湿度的满意程度，可以设置“很干燥”、“偏干燥”、“刚好”“偏湿润”以及“很湿润”四个选项，由用户根据实际情况进行选择。若用户选择了选项“很干燥”，说明需要提高环境中的湿度，若加湿器当前的运行模式为湿度40％模式，则可以将加湿器的运行模式切换至湿度50％模式。若在调整完运行模式后，用户依然反馈“很干燥”，则可以将加湿器的运行模式切换至湿度70％模式。根据用户的运行模式反馈信息调整待控制设备的运行模式，使运行模式不断贴近用户满意运行模式，从而提高用户体验。
可选地，在确定根据运行模式反馈信息调整待控制设备当前的运行模式的次数大于预设阈值时，说明运行模式控制装置中的运行模式预测模型确定的运行模式与用户需求的运行模式存在较大偏差，故需要根据接收的运行模式反馈信息调整运行模式预测模型。
具体实施中，采集根据用户输入的运行模式反馈信息调整后的待控制设备的运行模式以及对应的环境参数，将采集的运行模式以及对应的环境参数添加至训练样本，然后采用新的训练样本对神经网络模型重新进行训练，确定新的运行模式预测模型。由于不同的用户有不同的生活习惯，并且用户的生活习惯也可能发生变化，而预先训练好的运行模式预测模型不能适应用户改变的生活的习惯，故需要在用户使用过程中，根据用户反馈的信息对运行模式预测模型进行调整，以使运行模式预测模型能不断适应用户的生活习惯，提高预测运行模式的精度。
为了更好的解释本发明实施例，下面结合具体的实施场景描述本发明实施例提供的一种运行模式控制方法，如图4所示，设定待控制设备为加湿器，环境参数为环境湿度和环境温度。加湿器401采集当前所处环境的环境温度和环境湿度，并将环境温度和环境湿度上传至智能家居服务器402，智能家居服务器402中的数据预处理单元4021对加湿器上传的环境温度和环境湿度进行预处理，去除其中的干扰数据。然后将环境温度和环境湿度输入训练好的人工神经网络4022。人工神经网络4022根据环境温度和环境湿度输出加湿器401的运行模式。智能家居服务器402中的控制单元4023根据人工神经网络4022输出的运行模式向加湿器401发送运行模式控制指令，以控制加湿器401从当前的运行模式切换至运人工神经网络4022预测输出的运行模式。在智能家居服务器中预先设置训练好的用于预测加湿器运行模式的人工神经网络，故在加湿器实时将环境参数上传至智能家居服务器时，智能家居服务器采用人工神经网络确定加湿器的运行模式并控制加湿器切换，实现了对加湿器的运行模式的智能控制。
为了更好的解释本发明实施例，下面结合具体的实施场景描述本发明实施例提供的另一种运行模式控制方法，设定待控制设备为加湿器，具体包括以下步骤，如图5所示：
步骤s501，加湿器采集环境参数。
步骤s502，运行模式控制装置获取环境参数以及最新的运行模式预测模型。
步骤s503，将环境参数输入运行模式预测模型，运行模式预测模型输出加湿器的运行模式。
步骤s504，将加湿器切换至运行模式预测模型输出的运行模式。
步骤s505，判断是否接收到用户输入的运行模式反馈信息，若是，则执行步骤s506，否则执行步骤s501。
步骤s506，根据运行模式反馈信息调整加湿器的运行模式。
步骤s507，判断根据运行模式反馈信息调整运行模式的次数是否大于预设阈值，若是，则执行步骤s508，否则，执行步骤s501。
步骤s508，根据运行模式反馈信息调整运行模式预测模型。
需要说明的是，运行模式控制装置在接收到用户的授权指令后，才根据加湿器当前所处环境的环境参数对加湿器的运行模式进行自动控制。当用户解除授权时，运行模式控制装置将不再采集环境参数，根据环境参数对加湿器的运行模式进行控制。
本发明实施例中，采用待控制设备的历史运行模式以及历史运行模式对应的环境参数作为训练样本对人工神经网络进行训练，确定了运行模式预测模型，故在实时采集了待控制设备当前所处环境的环境参数后，可直接采用运行模式预测模型结合环境参数预测待控制设备的运行模式，然后进一步调整待控制设备的运行模式，实现了对待控制设备的运行模式的自动化调节，而不要用户手动控制，给用户带来便利和好的体验。其次，由于运行模式预测模型根据环境参数确定当前最适宜的运行模式，能有效提高待控制设备的运行效果。
基于相同的技术构思，本发明实施例提供了一种运行模式控制装置，如图6所示，该装置600包括：
获取模块601，用于获取待控制设备当前所处环境的环境参数；
处理模块602，用于根据所述环境参数和运行模式预测模型确定所述待控制设备的运行模式，所述运行模式预测模型是根据所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数确定的；
控制模块603，用于控制所述待控制设备切换至所述运行模式。
可选地，还包括调整模块604；
所述调整模块用于在所述控制模块控制所述待控制设备切换至所述运行模式之后，接收用户终端发送的运行模式反馈信息；
根据所述运行模式反馈信息调整所述待控制设备当前的运行模式。
可选地，所述运行模式反馈信息包括用户选择的运行模式；
所述调整模块604具体用于：
在确定所述待控制设备当前的运行模式与所述用户选择的运行模式不一致时，将所述待测设备当前的运行模式切换至所述用户选择的运行模式。
可选地，所述调整模块604还用于：
在确定根据所述运行模式反馈信息调整所述待控制设备当前的运行模式的次数大于预设阈值时，根据所述运行模式反馈信息调整所述运行模式预测模型。
可选地，所述处理模块602具体用于：
获取所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数；
以所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数为训练样本对神经网络模型进行训练；
当所述神经网络模型的损失函数取最小值时，将所述神经网络模型确定为所述运行模式预测模型。
基于相同的技术构思，本发明实施例提供了一种智能家居控制设备，如图7所示，包括至少一个处理器701，以及与至少一个处理器连接的存储器702，本发明实施例中不限定处理器701与存储器702之间的具体连接介质，图7中处理器701和存储器702之间通过总线连接为例。总线可以分为地址总线、数据总线、控制总线等。
在本发明实施例中，存储器702存储有可被至少一个处理器701执行的指令，至少一个处理器701通过执行存储器702存储的指令，可以执行前述的运行模式控制方法中所包括的步骤。
其中，处理器701是智能家居控制设备的控制中心，可以利用各种接口和线路连接电子设备的各个部分，通过运行或执行存储在存储器702内的指令以及调用存储在存储器702内的数据，从而实现运行模式控制。可选的，处理器701可包括一个或多个处理单元，处理器701可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器701中。在一些实施例中，处理器701和存储器702可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
处理器701可以是通用处理器，例如中央处理器(cpu)、数字信号处理器、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器702作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器702可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(randomaccessmemory，ram)、静态随机访问存储器(staticrandomaccessmemory，sram)、可编程只读存储器(programmablereadonlymemory，prom)、只读存储器(readonlymemory，rom)、带电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，eeprom)、磁性存储器、磁盘、光盘等等。存储器702是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本发明实施例中的存储器702还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。
基于同一发明构思，本发明实施例提供了一种计算机可读介质，其存储有可由智能家居控制设备执行的计算机程序，当所述程序在智能家居控制设备上运行时，使得所述智能家居控制设备执行运行模式控制方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
技术特征：
1.一种运行模式控制方法，其特征在于，包括：
获取待控制设备当前所处环境的环境参数；
根据所述环境参数和运行模式预测模型确定所述待控制设备的运行模式，所述运行模式预测模型是根据所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数确定的；
控制所述待控制设备切换至所述运行模式。
2.如权利要求1所述的方法，其特征在于，所述控制所述待控制设备切换至所述运行模式之后，还包括：
接收用户终端发送的运行模式反馈信息；
根据所述运行模式反馈信息调整所述待控制设备当前的运行模式。
3.如权利要求2所述的方法，其特征在于，所述运行模式反馈信息包括用户选择的运行模式；
所述根据所述运行模式反馈信息调整所述待控制设备当前的运行模式，包括：
在确定所述待控制设备当前的运行模式与所述用户选择的运行模式不一致时，将所述待测设备当前的运行模式切换至所述用户选择的运行模式。
4.如权利要求2或3所述的方法，其特征在于，还包括：
在确定根据所述运行模式反馈信息调整所述待控制设备当前的运行模式的次数大于预设阈值时，根据所述运行模式反馈信息调整所述运行模式预测模型。
5.如权利要求1所述的方法，其特征在于，所述运行模式预测模型是根据所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数确定的，包括：
获取所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数；
以所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数为训练样本对神经网络模型进行训练；
当所述神经网络模型的损失函数取最小值时，将所述神经网络模型确定为所述运行模式预测模型。
6.一种运行模式控制装置，其特征在于，包括：
获取模块，用于获取待控制设备当前所处环境的环境参数；
处理模块，用于根据所述环境参数和运行模式预测模型确定所述待控制设备的运行模式，所述运行模式预测模型是根据所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数确定的；
控制模块，用于控制所述待控制设备切换至所述运行模式。
7.如权利要求6所述的装置，其特征在于，还包括调整模块；
所述调整模块用于在控制模块控制所述待控制设备切换至所述运行模式之后，接收用户终端发送的运行模式反馈信息；
根据所述运行模式反馈信息调整所述待控制设备当前的运行模式。
8.如权利要求7所述的装置，其特征在于，所述运行模式反馈信息包括用户选择的运行模式；
所述调整模块具体用于：
在确定所述待控制设备当前的运行模式与所述用户选择的运行模式不一致时，将所述待测设备当前的运行模式切换至所述用户选择的运行模式。
9.如权利要求7或8所述的装置，其特征在于，所述调整模块还用于：
在确定根据所述运行模式反馈信息调整所述待控制设备当前的运行模式的次数大于预设阈值时，根据所述运行模式反馈信息调整所述运行模式预测模型。
10.如权利要求6所述的装置，其特征在于，所述处理模块具体用于：
获取所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数；
以所述待控制设备的历史运行模式以及所述待控制设备的历史运行模式对应的环境参数为训练样本对神经网络模型进行训练；
当所述神经网络模型的损失函数取最小值时，将所述神经网络模型确定为所述运行模式预测模型。
技术总结
本发明实施例提供了一种运行模式控制方法及装置，涉及智能家居技术领域，该方法包括：获取待控制设备当前所处环境的环境参数，然后根据环境参数和运行模式预测模型确定待控制设备的运行模式，运行模式预测模型是根据待控制设备的历史运行模式以及待控制设备的历史运行模式对应的环境参数确定的，最后控制待控制设备切换运行模式。采用人工神经网络训练获取运行模式预测模型，通过运行模式预测模型可以预测当前环境适宜的运行模式，然后调整待控制设备的运行模式，实现了对待控制设备的运行模式的自动化调节，而不要用户主观判断并手动控制，不仅提高了运行模式控制的准确度，同时给用户带来便利和好的体验。
技术研发人员：肖龙;陈翀;连圆圆;秦萍;马诗蓉;冯德兵;万会
受保护的技术使用者：珠海格力电器股份有限公司
技术研发日：.07.31
技术公布日：.02.11
如果觉得《一种运行模式控制方法及装置与流程》对你有帮助，请点赞、收藏，并留下你的观点哦！
